Новости и статьи об искусственном интеллекте и нейросетях. Мы собираем и обрабатываем самую актуальную информацию из мира AI. О проекте

Новости

Baseten получил $1.5 млрд при оценке $13 млрд спустя 5 месяцев

Стартап Baseten, занимающийся инференсом ИИ, близок к закрытию раунда на $1.5 млрд при оценке $13 млрд — всего через пять месяцев после предыдущего раунда на $300 млн. Рост оценки на 160% сопровождается split-priced структурой: часть инвесторов входят по $11 млрд. Компания на волне «золотой лихорадки инференса» привлекает миллиарды для быстрой и экономичной обработки запросов к моделям.

24 июня 2026 г.
1 мин
30
надувание воздухом плавающей копилки-свиньи
Автор изображения: Nuthawut Somsuk / Getty Images

Стартап Baseten привлекает $1.5 млрд при оценке $13 млрд

Компания Baseten, занимающаяся инференсом ИИ, близка к завершению впечатляющего раунда финансирования на $1.5 млрд с оценкой в $13 млрд, сообщает WSJ. Всего пять месяцев назад стартап объявил о привлечении $300 млн в рамках Series E при оценке $5 млрд. А тот раунд состоялся спустя девять месяцев после Series D на $150 млн.

Детали раунда и split-priced структура

Если сделка будет закрыта, оценка компании вырастет на 160% менее чем за полгода. Однако WSJ отмечает, что это раунд с разделенной ценой (split-priced round) — тактикой, которую стартапы используют для завышения заголовочной оценки и представления лидирующих инвесторов в выгодном свете. По данным источников, часть инвесторов входят по оценке $13 млрд, а другие — по $11 млрд. Сделку со-лидируют Spark Capital, Sands Capital, Altimeter Capital и Wellington Management.

Что стоит за успехом Baseten

Основанная в 2019 году, Baseten выигрывает от того, что The Next Wave назвал «золотой лихорадкой инференса»: венчурные инвесторы вливают огромные средства в компании, строящие инфраструктуру для инференса. Инференс — это то, что модель делает после того, как пользователь отправляет промт. Baseten обещает выполнять инференс быстро, контролируя затраты за счёт маршрутизации запросов к наиболее подходящей для задачи модели, особенно к компетентным и недорогим open-source альтернативам.